WISSENSCHAFTLICHER HINTERGRUND
Das DDI Framework wurde im Kontext des von der EU geförderten und von der Big Data Value Association (BDVA) aufgesetzten Projekts “Horizon 2020” entwickelt und getestet.
Die wissenschaftliche Vorgehensweise sowie die empirischen Ergebnisse wurden im Rahmen von Forschungsprojekten an den Technischen Universitäten Berlin (TUB) und München (TUM) evaluiert und dort in verschiedenen Lehrveranstaltungen weiterentwickelt. Die entsprechenden Daten wurden aus einer empirischen Untersuchung von über 90 daten-getriebenen Geschäftsmodellen gewonnen. Das Ziel dieser wissenschaftlichen Untersuchung bestand darin, die Muster erfolgreicher daten-getriebener Unternehmen zu identifizieren, um daraus dann verallgemeinerbare Stellgrößen zu generieren.
ERFOLGSMUSTER
Um die typischen Erfolgsmuster datengetriebener Innovationen zu verstehen, stützte sich unsere Forschungsstudie auf verschiedene Ausprägungen der Clusteranalyse.
Auf dieser Grundlage konnten wir insgesamt sechs typische Erfolgsmuster identifizieren:
Cluster A: “Data Pre-Processing”
Der zentrale Fokus der Unternehmen im Cluster A liegt auf der Bereitstellung von Lösungen für die Vorverarbeitung heterogener Datenquellen wie Bilder oder Videos. Aufgrund der angesprochenen hohen technischen Komplexität sind Unternehmen in der Regel sehr fokussiert und bieten keine zusätzlichen Analyse- oder Automatisierungsfunktionen. Da sich Unternehmen dieses Clusters tendenziell auf die Bewältigung der technischen Herausforderungen konzentrieren und weniger den konkreten Kundennutzen im Blick haben, entwickeln sie im Vergleich zur Gesamtstichprobe doppelt so häufig branchenunabhängige Lösungen.
Cluster B: “Internet-of-Things Anwendungen”
Unternehmen des Clusters B setzen im Rahmen ihres Angebots weitgehend auf IoT-Technologien. Aufgrund des komplexen Charakters dieser Technologien und den damit einhergehenden Datenanalysen sind die Startups dieses Clusters mit großen Herausforderungen bei der Datenvorverarbeitung und Datenintegration konfrontiert. Unternehmen dieses Clusters sind doppelt so häufig auf Industriedaten angewiesen – trotz unterschiedlicher Arten von Datenquellen sind sie tendenziell eher auf strukturierte Datensets angewiesen.
Cluster C: “Industriedienstleistungen"
Unternehmen des Clusters C zeichnen sich durch die Verwendung industrieller Datenquellen aus. Die Verwendung unstrukturierter Daten ist im Vergleich zur Gesamtstichprobe weniger häufig. In Bezug auf den durch sie generierten Mehrwert decken sie tendenziell das gesamte Spektrum der Datenanalyse ab und bieten durch Prozessautomatisierung einen hohen Nutzen. Unternehmen dieses Clusters kümmern sich tendenziell zwar auch um die Verarbeitung von IoT-Daten, schließen jedoch die Arbeit mit spezifischen IoT-Technologien als Bestandteil ihres Angebots aus.
Cluster D: „Deskriptive Analysen“
Unternehmen in Cluster D konzentrieren sich stark auf deskriptive Analysedienste für nicht-industrielle Datenquellen. Die Nutzung anderer Analysedienste ist im Vergleich zum Durchschnitt erheblich geringer. Dies gilt auch für Match-Making-Funktionen oder Prozessautomatisierungsfunktionen. Darüber hinaus verlassen sich Cluster D-Unternehmen eher auf halbstrukturierte Daten, Medien- und Zeitreihendaten. Alle Cluster-D-Angebote sind als datengesteuerte Dienste am Markt positioniert und generieren Einnahmen hauptsächlich durch Abonnements (94% der Angebote) sowie durch den Verkauf von spezifischen Dienstleistungen (50% der Fälle).
Cluster E: „Preskriptive Analysen“
Alle Cluster E-Unternehmen konzentrieren sich auf sog. Predictive Analytics, die häufig mit anderen analytischen Werten (deskriptiv, diagnostisch) kombiniert werden. Im Durchschnitt stützen sie sich mit einer 50% höheren Wahrscheinlichkeit auf unstrukturierte Datenquellen sowie mit einer 33% höheren Wahrscheinlichkeit auf personenbezogene Daten und verwenden keine Industriedaten. Durch die Verwendung einer geringeren Anzahl unterschiedlicher Technologien sind sie tendenziell mit weniger Integrationsaufwand, Schnittstellen und Partnern konfrontiert. Bei ihren Geschäftsmodellen verlassen sich Startups von Cluster E deutlich häufiger auf den Verkauf von spezifischen Produkten und weniger häufig auf Abonnements.
Cluster F: „Match Making“
Unternehmen im Cluster F konzentrieren sich auf ihre Match-Making-Funktionalität. Diese erlaubt es ihnen, die Marktseite (Angebot und Nachfrage) mit Unternehmen und Verbrauchern zu verbinden. Startups in Cluster F sind überproportional häufig auf Provisionsgebühren angewiesen (60% gegenüber durchschnittlich 10%). Sie nutzen Netzwerkeffekte auf Marktebene und etablieren damit datengesteuerte Marktplätze. Die hohe Nutzung personenbezogener Daten (87%) weist darauf hin, dass personenbezogene Daten auch auf B2B-Marktplätzen zur Implementierung von Match-Making-Algorithmen verwendet werden.
FORSCHUNG
Das DDI-Framework wurde im Rahmen des Horizon 2020 BDVe-Projekts entwickelt und getestet. Es stützt sich auf empirische Daten und wissenschaftliche Untersuchungen, die eine quantitative und repräsentative Forschungsstudie mit mehr als 90 datengetriebenen Geschäftsmöglichkeiten umfassen. Das Ziel unserer Forschungsstudie war die systematische Analyse und der Vergleich erfolgreich implementierter datengetriebener Geschäftsmöglichkeiten.
Aus der Forschungsstudie konnten wir folgende Erkenntnisse entlang der Hauptdimensionen des DDI-Frameworks ableiten:
Zielgruppen - Ergebnisse
Die Mehrheit der datengetriebenen Startups (78 %) adressiert B2B-Märkte. Nur zwei von 90 Startups unserer Stichprobe konzentrieren sich ausschließlich auf Endkundenmärkte. Startups, die Bedürfnisse von Endkunden adressieren, bevorzugen dafür bereits etablierte Kanäle. Sie neigen dazu, sich auf Partnerschaften mit etablierten Geschäftspartnern zu verlassen, um so ihr Angebot effizienter an ihre Nutzer zu bringen. Eine zweite recht häufige Strategie, die von 19 % der Startups verwendet wird, ist die Positionierung datengesteuerter Lösungen als sog. "multi-sided markets", auf denen komplementäre Angebote kombiniert werden, um private und geschäftliche Bedürfnisse in Einklang zu bringen. 75% unserer Startup-Stichprobe haben einen klaren Branchenfokus entwickelt. Unternehmen mit klarem Branchenfokus haben ein konkretes Kundensegment bzw. konkrete Kundensegmente im Blick, für die sie ein konkretes Nutzenversprechen generieren. Im Vergleich dazu finden wir Startups, die sich auf Technologie mit domänen-übergreifender Wirkung konzentrieren. In der Regel wird ihre Lösung von anderen Intra- oder Entrepreneuren genutzt, um datengetriebene Lösungen für Endanwender zu entwickeln.
Hier finden Sie einige Beispiele für Best Practices.
Nutzenversprechen - Ergebnisse
Zwei von drei Startups setzten auf Data Analytics im Allgemeinen, um Erkenntnisse zu generieren. Von den Startups, die Datenanalysen nutzen, setzten 83 % auf deskriptive Analysen in ihrem Angebot (d. h. jedes zweite Startup).
Im Vergleich zur deskriptiven und prädiktiven Analytik konnten wir feststellen, dass diagnostische und präskriptive Analytik weniger häufig eingesetzt wird.
Nur jedes fünfte datengetriebene Startup bietet eine Lösung zur Automatisierung manueller Aufgaben oder Tätigkeiten an. Matchmaking konnten wir nur in 16 % der Fälle beobachten.
Hier finden Sie einige Beispiele für Best Practices.
Daten - Ergebnisse
Obwohl nur 19 % der Startups B2C-Märkte adressierten, wurden in den analysierten datengetriebenen Angeboten am häufigsten (67 %) personenbezogene Daten verwendet.
Eine zweite beliebte Art von Datenquellen sind Zeitreihen und zeitliche Daten. 56 % der Startups in unserer Stichprobe verlassen sich auf diese Art von Daten, um Mehrwert zu generieren.
Die hohe Häufigkeit könnte auf die Beliebtheit der Verwendung von Verhaltensdaten zurückzuführen sein, die bei jeder Benutzerinteraktion im Web und auf mobilen Geräten verfolgt werden und somit sehr wahrscheinlich Zeitreihendaten umfassen.
Eine weitere sehr häufig genutzte Datenquelle sind Geo-Raumdaten mit 46% und die Nutzung von Internet of Things (IoT)-Daten (in 30% der Fälle). Industrielle Datenquellen wurden im Vergleich zu personenbezogenen Daten nur halb so häufig genutzt, offene Daten im Vergleich zu industriellen Daten ebenfalls nur halb so häufig.
Hier finden Sie einige Beispiele für Best Practices.
Technologie - Ergebnisse
Unter den fünf Technologiebereichen, die in der Strategischen Forschungs- und Innovationsagenda (SRIA) aufgeführt sind, wird Data Analytics am häufigsten eingesetzt. 82 % unserer Startup-Stichprobe verließen sich auf irgendeine Art von Datenanalytik, um datengetriebene Wertversprechen umzusetzen.
Der Einsatz von Datenmanagement-Technologien wird in 41% der Fälle genutzt und entspricht sehr stark den Angeboten, die sich mit den Herausforderungen der Verarbeitung unstrukturierter Datenquellen befassen.
Lösungen für die Datensicherung sind mit 13% die am wenigsten häufig angesprochene Forschungsherausforderung. Bei der Betrachtung, inwieweit BDV SRIA-Technologien in Kombination eingesetzt werden konnten wir feststellen, dass mehr als die Hälfte der Startups, genau 59%, mehr als zwei Technologien kombinieren, aber nur 22% mehr als drei der SRIA-Technologien.
Hier finden Sie einige Beispiele für Best Practices.
Netzwerkstrategie - Ergebnisse
Für digitale und datengetriebene Innovationen sind Netzwerkeffekte wichtige Phänomene, die reflektiert werden müssen. In unserer Studie setzen 57 % der Startups auf Netzwerkeffekte. Wir konnten dabei außerdem drei verschiedene Ebenen von Netzwerkeffekten unterscheiden.
Erstens: Wenn datengetriebene Unternehmen ihr Angebot verbessern können je mehr Daten sie zur Verfügung haben, setzen sie auf Netzwerkeffekte auf Datenebene. In unserer Stichprobe war dies bei 49 % der Startups der Fall.
Zweitens: Wenn Unternehmen eine technische Grundlage für andere bereitstellen, auf der diese aufbauen können, sind Netzwerkeffekte auf Infrastrukturebene zu beobachten. In unserer Stichprobe waren dies 12% der Startups.
Drittes: In Fällen, in denen die Anzahl der Marktplatzteilnehmer die wichtigste Quelle für Wertschöpfung ist, können datengetriebene Angebote Netzwerkeffekte auf Marktplatz-Ebene nutzen. Die geringe Anzahl von Startups, die diese Effekte nutzen (10%) deutet auf die hohen Herausforderungen beim Aufbau solcher Effekte hin.
Hier finden Sie einige Beispiele für Best Practices.
Erlösmodelle - Ergebnisse
In unserer Studie waren Informationen über die Art der verwendeten Erlösmodelle nur schwer zu generieren. Insbesondere in den Fällen, in denen sich Startups auf neue technische Entwicklungen wie Drohnen oder autonomes Fahren konzentriert haben, waren keine Informationen über Erlösmodelle verfügbar.
Dennoch war das am häufigsten verwendete Umsatzmodell in unserer Studie das Abonnementmodell. Wir beobachteten eine starke Korrelation mit der Verbreitung und hohen Akzeptanz des Software-as-a-Service-Ansatzes (SaaS), der viel Flexibilität bei der Nutzung für datengetriebene Innovationen bietet.
Das zweithäufigste Erlösmodell war der Verkauf von Dienstleistungen , bei dem die Zeit der Person bezahlt wird. Diese Erlösmodelle wurden sehr häufig für Software-Angebote verwendet oder wenn Angebote nicht standardisiert werden konnten.
Werbung als Erlösmodell wurde selten beobachtet. In unserer Stichprobe wendeten es nur 2% der Startups an. Das mag überraschend erscheinen, spiegelt aber nur den hohen Anteil an B2B-Modellen in unserer Stichprobe wider.
Hier finden Sie einige Beispiele für Best Practices.
Geschäftstyp - Ergebnisse
Bei der Marktpositionierung von datengetriebenen Angeboten muss man das zugehörige Geschäfts- oder Innovationsökosystem berücksichtigen. Datengetriebene Dienstleistungsunternehmen, die sich auf den Aufbau einer Partnerschaft mit einem neuen Geschäftspartner konzentrieren, wurden in unserer Studie am häufigsten eingesetzt. 78 % nutzten diese Strategie, um ihr datengetriebenes Angebot auf dem Markt zu positionieren.
Im Vergleich zu datengetriebenen Dienstleistungen ist die Entwicklung von datengetriebenen Marktplätzen deutlich komplexer, da ein neuer Marktplatz / ein neues Ökosystem aufgebaut werden muss. Nur 16% der Unternehmen in unserer Stichprobe setzten auf diesen Ansatz.
Eine andere Strategie besteht darin, ein bereits bestehendes gesundes Ökosystem zu identifizieren, das die Möglichkeit bietet, das eigene Angebot als Nischenanwendung zu positionieren. In unserer Stichprobe konnten wir diese Strategie in 12% der Fälle beobachten.
Aufstrebende Technologieunternehmen konzentrieren sich auf Technologien in einem sehr frühen Stadium und antizipieren ein zukünftiges Ökosystem oder einen noch nicht etablierten Markt. In unserer Studie wurde dies in 9% der Fälle festgestellt.
Hier finden Sie einige Beispiele für Best Practices.
